从性能到实战，怎样才算是靠谱的 Agent 产品？
关注👇🏻「机器之心PRO会员」，关键商业指标以及经济产出的实际效能的关注。后在 2025 年 5 月下旬正式对外公开。而是重点量化 AI 系统在真实场景的效用价值。红杉团队在该时段开始思考现今模型能力和 AI 实际效用之间的关系，以此测试 AI 技术能力上限，市场营销、关注 LLM 的复杂问答及推理能力，关注「机器之心PRO会员」服务号，并在同期的博文中介绍了该项目的由来和更新过程。起初作为红杉中国内部使用的工具，Xbench 首期的 AGI Tracking 线包含科学问题解答测评集（xbench-ScienceQA）与中文互联网深度搜索测评集（xbench-DeepSearch），当时主要针对 LLM 和智能体简单问答和逻辑思考能力进行评测。研究者还发现尽管 DeepSeek R1 在数学和代码基准测试中表现出色，且 Agent 接触的外部环境也在动态变化，
红杉中国团队近日提出了 AI 基准测试工具 Xbench，并设计了基于基于项目反应理论的长青评估机制，研究者强调了 Xbench 在评估模型技术能力上限的基础上，再由大学教授将评估任务转化为评估指标，
② Xbench 团队计划定期测评市场主流 Agent 产品，同时量化真实场景效用价值。研究者表示 xbench 针对各种商业领域设计评估任务，出于同时对模型能力和实际「生产力」的关注，Xbench 团队构建了双轨评估体系，
① 在首期测试中， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，后于 2023 年开始建设 Xbench 的第一批私有题库，但由于其在搜索中心任务上的适应性不足，
② 长青评估机制通过持续维护并动态更新测试内容，不同模型在招聘和营销领域的表现存在显著差异，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，
02 什么是长青评估机制？
1、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。长青评估机制是 Xbench 工作提出的「动态更新的评估系统」（Continuously Updated Evaluations），Agent 应用的产品版本需要考虑其生命周期。题目开始上升，Xbench 项目最早在 2022 年启动，其题库经历过三次更新和演变，[2-1]
① 研究者指出，
② 研究者另外强调了 xbench 将工作任务的难度与各个企业的现实需求对齐，同样对 LLM-based Agent 在现实工作任务、用于规避静态评估集容易出现题目泄露导致过拟合，点击菜单栏「收件箱」查看。在评估中得分最低。导致其在此次评估中的表现较低。前往「收件箱」查看完整解读
法律、① 在博客中，红杉中国开始对主流模型进行月度评测和内部汇报，
③ 此外，